🖥 dev-ruby

문제 설명 땅따먹기 게임을 하려고 합니다. 땅따먹기 게임의 땅(land)은 총 N행 4열로 이루어져 있고, 모든 칸에는 점수가 쓰여 있습니다. 1행부터 땅을 밟으며 한 행씩 내려올 때, 각 행의 4칸 중 한 칸만 밟으면서 내려와야 합니다. 단, 땅따먹기 게임에는 한 행씩 내려올 때, 같은 열을 연속해서 밟을 수 없는 특수 규칙이 있습니다. 예를 들면, | 1 | 2 | 3 | 5 | | 5 | 6 | 7 | 8 | | 4 | 3 | 2 | 1 | 로 땅이 주어졌다면, 1행에서 네번째 칸 (5)를 밟았으면, 2행의 네번째 칸 (8)은 밟을 수 없습니다. 마지막 행까지 모두 내려왔을 때, 얻을 수 있는 점수의 최대값을 return하는 solution 함수를 완성해 주세요. 위 예의 경우, 1행의 네번째 칸 ..

동적계획법(Dynamic Programming)은 큰 문제를 작은 문제로 나누어 푸는 알고리즘이다. dp의 핵심은 "메모이제이션" 기법인, 이미 계산된 결과를 별도의 메모리에 저장하여 필요한 경우 다시 계산하지 않고 사용하는 방식이다. 작은 문제들이 계속 반복되고, 그 작은 문제의 결괏값은 항상 같을 때 DP 알고리즘 적용할 수 있다. 가장 대표적인 예로 피보나치 수열을 들 수 있다. 피보나치 수열 피보나치 수열을 살펴보자. 피보나치 수열은 아래와 같다. 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144 ... 피보나치 수열을 구할 때는 재귀를 쓴다. 다음과 같이 이전 결과와 전전 결과의 합으로 계속 구해나가는 방식이다. return f(n) = f(n-1) + f(n-2) 그런..

아래 글을 읽고오면 이해가 더 쉬울 것이다 2021.12.20 - [javascript] - [자바스크립트] 기초부터 시작하기 | 변수, 자료형, 객체, 배열, 함수 var var 키워드로 선언된 변수는 함수 스코프에 종속된다. for 루프 내에서 선언된 var는 for 루프 밖에서도 사용할 수 있다. let let 키워드로 선언된 변수는 블록 스코프로 종속된다. 변수가 선언된 블록과 그 하위 블록 내에서만 사용할 수 있다. var 와 let 의 차이 : let은 x를 블록 스코프내에서 재선언하여 값을 재할당 할 경우 덮어써지지 않지만, var는 블록 스코프 외부에서 접근이 가능하므로 재할당할 경우 값이 덮어써진다. // let let x = "global"; if(x === "global"){ let ..

인터넷으로 공부해왔던 자바스크립트를 다시 기초부터 제대로 시작하려고 한다. 모르는게 너무 많아서 알고리즘 풀 때도 찾아보면서 하게 돼서 기초 다지기부터 시작.. 1. 변수 ES6 이전에는 다음과 같은 방법으로 변수를 선언했다. var name = "Alberto"; ES6 부터 2가지 방법이 더 추가됐다. let name = "Alberto"; const name = "Alberto"; 여기서, 3가지 키워드의 차이점에 대해 알아볼거다. const 키워드로 생성된 변수는 상수이다. 값을 덮어 쓸 수 없다. var와 let은 값을 덮어 쓸 수 있다. 그런데, 우리는 주로 let을 사용해야한다. 그 이유는 자바스크립트의 작동 방식에서 더 알아볼 것이다. 1.1 변수 명명법 변수 이름을 짓는 가장 일반적인 두..

1. 신경망 인간 두뇌에 대한 계산적 모델을 통해 인공지능을 구현하려는 분야 신경세포 수상돌기 : 다른 신경세포의 축색돌기와 연결되어 전지화학적 신호를 받아들이는 부위 축색돌기 : 수신한 전기화학적 신호의 합성결과 값이 특정 임계값 이상이면 신호를 내보내는 부위 신경연접 : 수상돌기와 축색돌기 연결부위 전달되는 신호의 증폭 혹은 감쇄 2. 퍼셉트론 신경세포의 계산모델 로젯블랏이 제안한 학습가능한 신경망 모델 XOR 선형분리 불가 문제는 해결할 수 없다 3. 다층 퍼셉트론(MLP) 여러 개의 퍼셉트론을 층 구조로 구현한 신경망 모델 선형분리불가 문제 해결가능 다층 퍼셉트론의 학습 입력-출력의 학습 데이터에 대해서 기대출력 yi와 다층 퍼셉트론의 출력 f(xi)의 차이, 즉 오차가 최소가 되도록 가중치 w를..

1. 앙상블 학습 대중의 지혜 무작위로 선택된 많은 사람의 답변을 모은 것이 전문가의 답변보다 낫다 앙상블 학습 일련의 예측 모델(분류 or 회귀)을 사용한 모델의 학습 붓스트랩 주어진 학습데이터 집합에서 복원추출하여 다수의 학습 데이터 집합을 만들어내는 기법 2. 배깅 붓스트랩을 통해 여러개의 학습데이터 집합 생성 각 학습 데이터 집합별로 분류기 또는 회귀모델 생성 최종판정 분류기들의 투표나 가중치 투표 회귀모델들의 평균 랜덤 포레스트 알고리즘 분류기로 결정트리를 사용하는 배깅기법 Random : 무작위로 선택한 속성 중에서 분할 속성 선택 Forest : 여러 결정트리로 구성 배깅에 의한 회귀 붓스트랩을 통해 다수의 학습데이터 집합 생성 각 학습 데이터 별로 회귀모델 생성 이들 회귀모델의 평균값으로 ..

1. 결정트리 트리 형태로 의사결정 지식을 표현한 것 내부 노드 : 비교 속성 간선 : 속성 값 단말 노드 : 부류, 대표값 결정트리 학습 알고리즘 모든 데이터를 포함한 하나의 노드로 구성된 트리에서 시작 반복적인 노드 분할 과정 분할 속성을 선택 속성 값에 따라 서브트리를 생성 데이터를 속성값에 따라 분배 분할 속성 결정 어떤 속성을 선택하는 것이 효율적인가? -> 분할한 결과가 가능하면 동질적인 것으로 만드는 속성 엔트로피 동질적인 정도 측정 가능 척조 원래 정보량측정 목적의 척도임 -> 동질적일수록 낮음 p(c) : 부류 c에 속하는 것의 비율 p(c)가 낮을수록 정확한 엔트로피 정보이득 IG = I - Ires Ires : 특정 속성으로 분할한 후의 각 부분집합의 정보량의 가중평균 정보이득이 클수..

1. 회귀 학습 데이터에 부합되는 출력 값이 실수인 함수를 찾는 문제 성능 오차 : 예측값과 실제값의 차이 테스트 데이터들에 대한 (예측값 - 실제값)^2 의 평균 or 평균의 제곱근 성능은 모델(함수)의 종류에 영향을 받음 경사하강법 학습 데이터에 부합하는 출력 값이 되도록 파라미터를 변경하는 일 오차함수 E의 그레디언트 반대 방향으로 조금씩 움직여가면서 최적의 파라미터를 찾는 방법 데이터의 입력, 출력을 이용해 각 파라미터에 대한 그레디언트를 계산하여 파라미터를 반복적으로 조정 그레디언트 : 각 파라미터에 대해 편미분한 벡터 회귀의 과적합 지나치게 복잡한 모델 사용 부적합 지나치게 단순한 모델 사용 회귀 과적합 대응 방법 모델의 복잡도를 성능 평가에 반영 - 복잡도가 크지 않도록 목적함수 = 오차의 ..

1. 지도학습 새로운 입력이 있을 때 결과를 결정할 수 있도록 방법을 찾는것 학습 데이터 : 주어진 (입력, 출력)에 대한 데이터 이용 분류 : 출력이 정해진 부류 중의 하나로 결정 회귀 : 출력이 연속인 영역의 값 결정 분류 데이터들을 정해진 몇 개의 부류(class)로 대응 시키는 문제 분류 문제의 학습 학습 데이터를 잘 분류할 수 있는 함수를 찾는 것 함수의 형태는 수학적 함수 or 규칙 분류기 : 학습된 함수를 이용하여 데이터를 분류하는 프로그램 결과는 범주형 또는 수치형으로 나타낼 수 있음 이상적인 분류기 학습에 사용되지 않은 데이터에 대해서 분류를 잘 하는 것 일반화 능력이 좋은 것 데이터의 분류 학습데이터 분류기를 학습하는데 사용하는 데이터 집합 학습데이터가 많을수록 유리 테스트 데이터 학습..

1. 기계학습 경험을 통해서 나중에 유사하거나 같은 일을 더 효율적으로 처리할 수 있도록 시스템의 구조나 파라미터를 바꾸는 것 컴퓨터가 데이터로부터 특정 문제해결을 위한 지식을 자동으로 추출해 사용할 수 있게 하는 기술 연역적 학습 연역적 추론을 통한 학습 귀납적 학습 사례들을 일반화하여 패턴 또는 모델을 추출하는 것 일반적인 기계학습의 대상 학습 데이터를 잘 설명할 수 있는 패턴을 찾는 것 오컴의 면도날 어떤 현상의 인과관계를 설명할 때 불필요한 가정을 삼가야한다. 가능하면 학습결과를 간단하게 표현하는 게 좋음 2. 기계학습의 종류 지도학습 입력(문제)-출력(답)의 데이터들로부터 새로운 입력에 대한 출력을 결정할 수 있는 패턴 추출 비지도학습(자율학습) 출력에 대한 정보가 없는 데이터로부터 패턴 추출 ..

자율주행의 핵심요소 인식 : 주변환경과 장애물 인식 위치추정 : 환경 내에서 차량의 위치 추정 계획수립 : 인식 내용 및 추정 위치를 토대로 원하는 위치로 이동을 위한 궤적 생성 제어 : 궤적을 따라 이동하기 위해 조향 및 가속정보 생성 차선 감지 : 차선을 표현하는 식의 계수 추정 - LaneNet : 2개의 네트워크 구성 객체 추적 : 동일 대상을 시간에 따라 연속해서 추적 빈공간 감지 : 차량이 없는 비어있는 공간 감지 장면 인식 센서 융합 : 여러 센서의 데이터를 결합하여 정확도 높은 추정을 하는 것 융합 시점 초기 융합 : 원 데이터의 결합 지연 융합 : 2D 또는 3D 경계상자 검출기 출력의 결합 위치추정 : 환경 내에서 차량 자신의 위치 추정 상위/전역 계획수립 : 출발지에서 목적지로의 길 ..

로봇 요소간의 통신 방식 하드웨어간 통신 UART RS-232/422/485 SPI/I2C USB 소프트웨어간 통신 공유 메모리 소켓 하드웨어간 통신 방식 UART GND, TX, RX 등의 통신선 이용한 직렬통신 병렬 데이터 ↔ 직렬 데이터 변환 보통 MCU 등에 내장 비동기 방식 미리 송/수신쪽에서 전송 속도 설정 TTL level 전압 사용 디지털 신호를 직접 전달 근거리 통신에 사용 RS-232/422/485 TTL level 전압으로 통신하는 UART 통신을 보완한 방식 12V/-12V 또는 25V/-25V 전압으로 신호 전송 UART보다 먼거리까지 통신 가능 전송속도가 느리고, 전송 거리도 짧음 SPI / I2C 근거리 통신 규격 1:n 통신 지원 MCU가 master가 되고, 센서들이 sla..

로봇 시스템의 요소 물리적 요소 소프트웨어적 요소 기구적 구성요소 프레임, 하우징, 링크, 관절 등 하드웨어적 구성요소 구동기, 센서, 제어기, SBC 등 소프트웨어적 구성요소 운영체제 : 자원 관리 제어기 펌웨어 : MCU에 탑재 미들웨어 : 쉽게 통신할 수 있도록 해줌, 라이브러리 형태 과업을 수행하기 위한 각종 응용 프로그램 응용 소프트웨어 모듈 기구학 로봇의 관절이나 바퀴의 회전과 로봇의 변형이나 움직임을 결정하는데 사용되는 이론 매니퓰레이터 관절의 회전 각도에 따라 단말조작자의 위치 변화 매니퓰레이터의 기구학 순기구학 각 관절의 모터 회전각도가 어떻게 단말 조작자의 위치 변화를 유발시키는지 해석하는 것 역기구학 단말 조작자를 특정 위치에 두기 위해 각 관절의 모터를 얼마만큼 회전시켜야 하는지 결..

계획공간 계획수립 탐색 공간이 부분계획들로 구성 해답 계획(solution plan)이 완성될 때까지 점진적으로 개선 부분계획의 구성요소 부분적으로 값이 결정된 행동의 집합 제약조건의 집합 선행 제약조건 바인딩 제약조건 인과연결 위협 삭제 조건 상호작용 행동 𝑎가 행동 𝑏의 사전조건 𝑝를 생성하는 인과연결 관계 행동 𝑐가 𝑝를 삭제하는 Effects 보유 𝑐가 인과관계 𝑎 → 𝑏 를 위협하는 상황 계층적 계획수립 : 복잡한 태스크를 더 단순한 태스크로 분할 계층적 태스크 네트워크 (HTN) 태스크(task)가 목표로 주어질 때, 이 태스크를 추상적 단계에서 분할하여 점차 구체적인 기본 작업들로 구성하여 계획을 수립하는 방법 기본 태스크 연산자(행동)에 의해 수행 복합 태스크 메소드를 사용하여 더 작은 부..

고전적 계획 수립 상태공간 계획수립 : 초기 상태에서 목표 상태로의 경로 탐색 초기 상태를 목표 상태로 변화 시키는 일련의 연산자 찾기 노드(node) : 세계의 상태 에지(edge) : 상태 전이를 일으키는 행동 행동 = 바로 적용할 수 있는 기본 행동 연산자(operator) = 기본 행동 전향 탐색 초기 상태에서 시작 적용가능한 연산자를 목표 상태에 도달할 때까지 적용 너비우선 탐색(Breadth-first search) 깊이우선 탐색(Depth-first search) 휴리스틱 탐색 : A* 알고리즘 후향 탐색 목표 상태에서 시작 해당 상태를 만들어내는 행동선택을 시작 상태에 도달할 때까지 반복 STRIPS 알고리즘 후향 탐색 방법 목표 상태가 만족되지 않으면, 목표 상태를 effect로 만들 수..